| Головна |
| ЗМІСТ | Наступна » |
|---|
В результаті вивчення даного розділу студент повинен: знати
Методи прогнозування - це сукупність прийомів і способів мислення, що дозволяють на основі аналізу ретроспективних даних, екзогенних і ендогенних зв'язків об'єкта прогнозування, а також їх змін в рамках даного явища або процесу вивести судження певної достовірності щодо майбутнього розвитку об'єкта.
Сукупність методів прогнозування можна згрупувати за різними ознаками:
Найбільшого поширення набула угруповання методів прогнозування по ступеня формалізації, т. е. можливості опису економічних явищ за допомогою математичного інструментарію. Відповідно до даного критерію всі методи можна розділити на формалізовані і неформалізовані. В економічній літературі неформалізовані методи називаються також інтуїтивними, методами експертних оцінок, методами логічного моделювання і т. д. Настільки великий розкид в термінології позначення пов'язаний зі ступенем формалізації тих чи інших методів і різними цілями дослідження і їх систематизації.
У свою чергу, в залежності від числа експертів, які беруть участь в прогнозуванні макроекономічних процесів і явищ, можна виділити індивідуальні та колективні інтуїтивні методи.
До переваг індивідуальних методів оцінки економічних явищ можна віднести можливість максимального прояву індивідуальних здібностей експерта, відсутність тиску ззовні і осмислення досліджуваної проблеми. Недоліки пов'язані з обмеженістю знань експерта в суміжних областях.
В основі методів колективних експертних оцінок лежать принципи виявлення колективної думки експертів про розвиток об'єкта прогнозування. Передбачається, що при колективному мисленні з'являється більше ідей, менш вірогідні грубі помилки, більш повно досліджується ситуація. До недоліків слід віднести: активність експертів; особисті симпатії і антипатії; авторитетність; поспішність формулювань; комунікабельність; культуру поведінки.
Використовувані методи можна класифікувати за принципом обробки інформації про об'єкт: статистичні методи, методи аналогій, що випереджають методи.
Статистичні методи об'єднують методи обробки кількісної інформації за принципом виявлення містяться в ній математичних закономірностей розвитку і математичних взаємозв'язків характеристик об'єкта для отримання прогнозних моделей.
У методах аналогій виявляється схожість в закономірностях розвитку процесів і на цій підставі будуються прогнози.
основою випереджальних методів прогнозування служать певні принципи спеціальної обробки науково-технічної інформації, що реалізують в прогнозі її властивість випереджати розвиток об'єкта прогнозування. У свою чергу, їх можна розділити на методи дослідження динаміки і оцінки рівня розвитку об'єкта. Методи аналогій і випереджальні методи розглянуті в рамках вивчення експертних методів оцінки.
У формалізованих методах застосовується моделювання економічних процесів. моделювання - це метод відтворення (або з'ясування) властивостей якого-небудь об'єкта, процесу або явища за допомогою іншого об'єкта, процесу або явища. Перше природно виникає вимога до моделі - це повна тотожність будови моделі і «оригіналу», але образ модельованого об'єкта спрощений.
Для оцінки перспектив соціально-економічного розвитку національної економіки необхідно побудувати формалізований опис її стану. Для цього необхідно вибрати певний набір змінних і проаналізувати їх в ретроспективі. Всі змінні можна розділити на екзогенні (зовнішні) і ендогенні (внутрішні). Екзогенно означає «ззовні моделі», т. Е. екзогенні змінні - це параметри моделі. Задавши значення всіх параметрів, інші { «Ендогенні») змінні моделі можна знайти, вирішивши систему рівнянь даної моделі.
Прийнято виділяти дві групи моделей: агреговані та міжгалузеві моделі. агрегованими моделями, як правило, називають макромоделі, в яких фігурують агреговані основні показники розвитку економіки. Іншу групу моделей утворюють міжгалузеві моделі. Головна відмінність між ними полягає в тому, що моделі першої групи мають справу зі скалярними величинами і не зачіпають внутрішньої структури, а моделі другої групи оперують векторами і матрицями і представляють об'єкт шляхом опису його внутрішньої структури. Моделі першої групи набули найбільшого поширення в західній науці і практиці.
З точки зору моделювання змісту процесу, результат якого виражений тим чи іншим показником, опис може бути виробничо-технологічним, поведінковим і оцінним. Так, невиробниче споживання населення можна описати шляхом моделювання поведінки споживачів або шляхом оцінки необхідного споживання виходячи з будь-яких цілей, наприклад цілей соціалістичного розвитку (цільової блок в моделях МОБ радянського періоду).
В економічних моделях існує поняття «лаги». Підлягають обліку лаги: між прийняттям керуючого рішення і його реалізацією; між капітальними витратами і їх остаточним «дозріванням» (введенням в дію); між науковим відкриттям і його впровадженням; та ін.
Особливо важливе значення мають запізнювання віддачі капітальних вкладень в економіку. Тут можна виділити наступні основні типи лагів:
Запізнювання віддачі капітальних вкладень призводять до тривалого «омертвіння» («іммобілізації») ресурсів; разом з тим зайняті в капітальному будівництві працівники, реалізуючи свою зарплату, пред'являють попит на предмети споживання і послуги, ще не створивши будь-якої закінченої продукції.
Крім класичних методів прогнозування існують інноваційні методи прогнозування. Їх розвиток пов'язаний з впровадженням в практику прогнозування технічних засобів і прикладних програм, що дозволяють здійснювати трудомісткі розрахунки. До них відносяться штучні нейронні мережі, генетичні алгоритми і т. д.
Штучна нейронна мережа (ІНС) - це набір штучних з'єднаних між собою нейронів, які виступають в якості вершин мережі. Як правило, передавальні функції всіх нейронів у нейронної мережі фіксовані, а ваги є параметрами нейронної мережі і можуть змінюватися. Деякі входи нейронів позначені як зовнішні входи нейронної мережі, а деякі виходи - як зовнішні виходи нейронної мережі. Подаючи будь-які числа на входи нейронної мережі, ми отримуємо якийсь набір чисел на виходах нейронної мережі. Таким чином, робота нейронної мережі полягає в перетворенні вхідного вектора у вихідний вектор, причому це перетворення задається вагами нейронної мережі. Одним з типових призначень штучних нейронів і мереж на їх основі є класифікація і розпізнавання векторів вхідних сигналів. У такому завданні обчислене по вхідному вектору значення визначає приналежність вхідного вектора того чи іншого / -му класу.
Практично будь-яке завдання можна звести до задачі, розв'язуваної нейронною мережею.
Нейронні мережі із зворотними зв'язками (рекурентні нейронні мережі) здатні бачити майбутнє стан об'єкта, що моделюється / про- процесу по його станом на попередніх кроках модельного часу та поточного впливу.
Етапи побудови нейтронної мережі наступні.
На першому етапі необхідно вибрати:
Це завдання на перший погляд здається неозорої, але, на щастя, нам необов'язково придумувати нейронну мережу «з нуля» - існує кілька десятків різних нейромережевих архітектур, причому ефективність багатьох з них доведена математично. Найбільш популярні і вивчені архітектури - це багатошаровий нерцептрон, нейронна мережа із загальною регресією, нейронні мережі Кохонена та ін.
На другому етапі слід "навчити" обрану нейронну мережу, т. Е. Підібрати такі значення її ваг, щоб вона працювала належним чином. Ненавчених нейронну мережу можна навчити чому завгодно. У використовуваних на практиці нейронних мережах кількість ваг може становити кілька десятків тисяч, тому навчання - дійсно складний процес.
Для пошуку найкращих (з точки зору вирішення завдання класифікації вхідних векторів) значень елементів вектора необхідно навчання штучних нейронів і штучної нейронної мережі в цілому, що передують власне етап класифікації. Розрізняють два основні режими навчання: «з учителем» і «без вчителя». При навчанні з учителем І НС пред'являють набір пар векторів і припускають апріорне знання про приналежність векторів вхідних сигналів різних класів.
Навчання без вчителя передбачає пред'явлення нейронної мережі (окремому штучного нейрона) «типового» набору векторів вхідних сигналів, при цьому мережа (окремий штучний нейрон) повинна самостійно вирішити задачу кластеризації (визначення кількості класів та ознак приналежності до них).
Для багатьох архітектур розроблені спеціальні алгоритми навчання, які дозволяють налаштувати ваги нейронної мережі певним чином. Найбільш поширений з цих алгоритмів - метод зворотного поширення помилки (Error Back Propagation).
Генетичний алгоритм - це проста модель еволюції в природі, реалізована у вигляді комп'ютерної програми. У ньому використовуються як аналог механізму генетичного успадкування, так і аналог природного відбору. При цьому зберігається біологічна термінологія в спрощеному вигляді. Генетичне спадкування моделюється наступним чином:
Для моделювання еволюційного процеса спочатку генерують випадкову популяцію - кілька індивідуумів з випадковим набором хромосом (числових векторів). Генетичний алгоритм імітує еволюцію цієї популяції як циклічний процес схрещування індивідуумів і зміни поколінь.
Життєвий цикл популяції - це кілька випадкових схрещувань (за допомогою кросовера) і мутацій, в результаті яких до популяції додається якась кількість нових індивідуумів. Відбір в генетичному алгоритмі - це процес формування нової популяції зі старої, після чого стара популяція гине. Після відбору до нової популяції знову застосовуються операції кросовера і мутації, потім знову відбувається відбір і т. д.
Відбір в генетичному алгоритмі тісно пов'язаний з принципами природного відбору в природі наступним чином:
Чим пристосувань індивідуум, тим більше ймовірність його участі в кросовері, т. Е. Розмноженні.
Таким чином, модель відбору визначає, яким чином слід будувати популяцію наступного покоління. Як правило, ймовірність участі індивідуума в схрещуванні береться пропорційної його пристосованості. Часто використовується так звана стратегія елітизму, при якій кілька кращих індивідуумів переходять в наступне покоління без змін, не беручи участь в кросовері і відборі. У будь-якому випадку кожне наступне покоління буде в середньому краще попереднього. Коли пристосованість індивідуумів перестає помітно збільшуватися, процес зупиняють і як рішення задачі оптимізації беруть найкращого зі знайдених індивідуумів.